資料科學家的命令列技巧

發表於2018-07-27

資料科學家的命令列技巧

對於許多資料科學家來說,資料操作起始於Pandas或Tidyverse。從理論上看,這個概念沒有錯。畢竟,這是為什麼這些工具首先存在的原因。然而,對於分隔符轉換等簡單任務來說,這些選項通常可能是過於重量級了。

有意掌握命令列應該在每個開發人員的技能鏈上,特別是資料科學家。學習shell中的來龍去脈無可否認地會讓你更高效。除此之外,命令列還在計算方面有一次偉大的歷史記錄。例如,awk – 一種資料驅動的指令碼語言。Awk首次出現於1977年,它是在傳奇的K&R一書中的K,Brian Kernighan的幫助下出現的。在今天,大約50年之後,awk仍然與每年出現的新書保持相關聯! 因此,可以肯定的是,對命令列技術的投入不會很快貶值的。

我們會談及的內容

  • ICONV
  • HEAD
  • TR
  • WC
  • SPLIT
  • SORT & UNIQ
  • CUT
  • PASTE
  • JOIN
  • GREP
  • SED
  • AWK

ICONV

檔案編碼總是棘手的問題。目前大部分檔案都是採用的 UTF-8 編碼。要想了解 UTF-8 的魔力,可以看看這個優秀的視訊。儘管如此,有時候我們還是會收到非 UTF-8 編碼的檔案。這種情況下就需要嘗試轉碼。iconv 就是這種狀況下的救世主。iconv 是一個簡單的程式,可以輸入某種編碼的文字,然後以另一種編碼輸出。

  • 常用選項:
    • iconv -l 列出所有支援的編碼
    • iconv -c 不作提示就丟棄無法轉換的字元

HEAD

如果你是重度Pandas的使用者,那麼你會對head很熟悉。通常在處理新資料時,我們想要做的第一件事就是了解究竟存在那些東西。這會引起Panda啟動,讀取資料,然後呼叫df.head() – 很費勁,至少可以說。head,不需要任何標誌,將輸出檔案的前10行。head真正的能力在於徹查清除操作。 例如,如果我們想將檔案的分隔符從逗號改變為pipe萬用字元。一個快速測試將是:head mydata.csv | sed ‘s/,/|/g’

  • 有用的選項:
    • head -n 輸出指定行
    • head -c 輸出指定的位元組

TR命令

Tr類似於翻譯,它是基於檔案清理的一個強大使用的工具。一個理想的用法是替換檔案中的分隔符。

Tr的另一個特性是在你的處理中設定上所有的[:class:]變數。包括:

可以將這些多樣化的變數連結在一起,組成一個強大的程式。下面是一個基於字數統計的程式,用來檢查你的README檔案是否使用過度。

另外一個例子用於正規表示式

  • 有用的選項:
    • tr -d刪除字元
    • tr -s壓縮字元
    • \b退格
    • \f換頁
    • \v垂直選項卡
    • \NNN八進位制值為NNN的字元

WC

字數統計。它的價值主要體現在使用 -l 引數可以進行行數統計。

個用這個工具來驗證各個命令的輸出實在方便。因此,如果我們要在檔案中轉換分隔符,然後執行 wc -l,驗證總行數是相同的。如果不同,我們就知道一定是哪裡出錯了。

  • 常用選項:
    • wc -c 列印位元組數
    • wc -m 列印字元數
    • wc -L 列印最長一行的長度
    • wc -w 列印字數

SPLIT命令

檔案大小可以有顯著變化。根據工作的不同,拆分檔案是有益的,就像split。基本用法如下:

兩個地方很奇怪:一個是命名方式,一個是缺少副檔名。字尾約定可以通過-d標識來數字化。新增副檔名,你需要執行下面這個find命令。他會給當前資料夾下的所有檔案追加.csv字尾,所以需要小心使用。

  • 有效的選項:
    • split -b按特定位元組大小拆分
    • split -a生成長度為N的字尾
    • split -x使用十六進位制字尾分割

SORT & UNIQ

前面的命令是顯而易見的:他們按照自己說的做。這兩者提供了最重要的一擊(即去重單詞計數)。這是由於有uniq,它只處理重複的相鄰行。因此在管道輸出之前進行排序。一個有趣的事情是,sort -u將獲得與sort file.txt | uniq相同的結果。

Sort確實對資料科學家來說是一種很有用的小技巧:能夠根據特定的列對整個CSV進行排序。

這裡的-t選項是指定逗號作為分隔符。通常假設是空格或製表符。此外,-k標誌是用來指定我們的鍵的。它的語法是-km,n,m是起始欄位,n是最後一個欄位。

  • 有用的選項:
    • sort -f 忽略大小寫
    • sort -r 逆序
    • sort -R 亂序
    • uniq -c 計算出現次數
    • uniq -d 只列印重複行

CUT命令

cut用於刪除列。舉個例子,如果我們只想要第一列和第三列。

選擇除了第一列以外的所有列

與其他的命令組合使用,cut命令作為過濾器

找出第二列中唯一值的數量。

PASTE

paste 是個有趣的小命令。如果你想合併兩個檔案,而這兩個檔案的內容又正好是有序的,那 paste 就可以這樣做。

關於更多 SQL_-esque 變體,請看下面。

JOIN

Join是一種簡單的、準切向的SQL。最大的區別在於Join將返回所有列,匹配可能只發生在一個欄位上。預設情況下,join將嘗試使用第一列作為匹配鍵。對於不同的結果,需要以下語法:

標準連線是一個內部連線。然而,外部連線也可以通過-af滯後來實現。另一個值得注意的是-e標誌,如果發現有欄位丟失,它可以用來替換成其他值。

雖然它不是最容易使用的命令,但是在絕望的時刻,它就是唯一可用的措施。

  • 常用的選項:
    • join -a 列印未成對的行
    • join -e 替換缺失欄位
    • join -j 等同於 -1 FIELD -2 FIELD

GREP

全域性搜尋正規表示式並輸出,或使用grep;可能是最知名的命令,並且有很好的理由。 Grep具有很強的能力,特別是在大型程式碼庫中查詢方法。在資料科學領域,它充當了其他命令的改進機制。但其標準用法也很有用。

對包含word/pattern的行數進行計數

Grep使用or運算子- \|來檢索多個值.

  • 有用的選項
    • alias grep=”grep –color=auto” 使grep支援彩色輸出
    • grep -E 使用擴充套件正規表示式
    • grep -w 僅匹配完整單詞
    • grep -l 列印匹配檔案的名稱
    • grep -v 倒序匹配

大殺器

Sed和Awk是本文兩個最有用的命令。為了簡潔,我不會討論那些令人費解的細節。相反,我會討論各種各樣的命令來證明他們令人印象深刻的實力。如果你想了解的更多,這本書就可以。

SED

在核心中sed是一個流編輯器。它擅長替換,但是也可以用來重構。
最基本的sed命令包含了s/old/new/g。也就是全域性搜尋舊值,替換新值。沒有/g 我們的命令可能在第一次出現舊值就會終止。
為了儘快瞭解它的能力,我們來看一個例子。在這個情況你會拿到下面的檔案:

我們要做的第一件事就是移除美元符。-i 標識表示就地修改。”就是代表一個零長度檔案擴充套件,因此重寫我們的初始檔案。理想情況下,你會單獨測試這些並輸出到一個新檔案。

下一步,我們的balance列的逗號。

最終,Jack有一天起來並準備辭職了。所以,再見吧,我的朋友。

就像你所看到的,sed功能強大,但是樂趣不止於此。

AWK

最好的放最後。Awk不僅是一個簡單的命令:它是一個成熟的語言。在本文中包含的每一個命令中,awk目前是最酷的。如果你發現它令你印象深刻,這有大量的資源- 看,和
awk包含的常用案例:

  • 文字處理
  • 格式化文字報告
  • 執行計算操作
  • 執行字串操作

Awk在其最初雛形可以與grep平行。

或者多使用一點魔法,讓grep和cut結合。在這,awk對所有行通過word列印了以tab分隔的第三和第四列。-F,只是將分隔符變為逗號。

Awk具有大量有用的內建變數。例如, NF -欄位數 – 和NR – 記錄數。為了獲取檔案中這53個記錄:

新增一個小竅門可以基於一個值或者多個值過濾。下面的第一個例子,會列印這些記錄中第一列為string的行數和列。

多數值表示式:

計算第三列之和:

計算那些第一列值為“something”的第三列之和。

獲取檔案的行數列數:

列印出現過兩次的行:

移除多行:

使用內建函式gsub()替換多個值。

這個awk命令合併了多個CSV檔案,忽略頭並在結尾追加。

需要精簡一個大檔案?好的,awk可以在sed的幫助下完成這件事。具體來說,基於一個行數,這個命令將一個大檔案分為多個小檔案。這個一行檔案也會新增一個副檔名。

結束前

命令列擁有無窮的力量。本文所涵蓋的命令列知識足以讓你從零基礎到入門。除了這些已涉及的內容外,針對日常資料操作還有需要可考慮的實用程式。Csvkitxsvq是其中三個值得關注的。如果你希望進一步深入到命令列的資料科學領域,那麼請看此書。它也可以在此免費獲得!

相關文章